基于卷积神经网络的地震震级测定研究

地震预警震级测定是地震预警系统最重要也是最困难的部分之一.本文提出了基于卷积神经网络的地震预警震级测定方法,将震级测定问题转化为震级分类问题,即将ML＞2.0的震级分成20个不同等级类别处理.收集了福建台网2012-2019年期间记录到福建、台湾海峡及台湾共1928个地震作为研究资料,经过台站记录截取、大震样本增强、标签制作、质量筛选等预处理共得到14644条三分向地震样本记录;构建了3 s波形输入的卷积神经网络震级预测模型,并用2012-2018年震例对模型进行训练,用2019年震例对模型进行测试.结果 表明,单台震级偏差有85.6％可控制在±0.3以内,前三台平均的震级偏差有91.8％可控制在±0.3以内,其中震级较大偏差的事件多为缺乏历史样本.相较于传统方法,该模型测定的震级值更加稳定可靠,可为解决地震预警震级测定这一挑战性难题提供新的技术手段.     

基于卷积神经网络的地震震级快速估算方法

地震发生后震级的快速准确估算是确保地震预警减灾效果的最重要部分,而基于经验参数的传统方法在准确性和时效性方面各自存在局限性。通过建立多全连接层卷积神经网络模型,选用日本KiK-net和K-NET台网1997年至2019年记录到的3 065次地震的16万4 547条初至波在3—9 s不同时段的频域数据、对应地震事件的震源信息（震中距和震源深度）以及场地信息（v_S30）作为全数据集,对提出的模型进行训练并对估算效果予以评估。结果显示:当初至波截取时段为3 s时,模型震级预测的整体准确率为89.92%,并且随着初至波长度的增大,估算震级的准确率持续提高;当截取时段为9 s时,整体准确率达到96.08%。与传统P_d方法的预估结果相比,结果表明:基于本文提出的多全连接层卷积神经网络模型估算的震级精度有所改善,具有绝对误差标准差和均值更小、时效强等特性,实现了基于单台站记录的端到端震级持续快速估算,能更好地增强地震预警的减灾效果。      

基于深度卷积神经网络的2021年5月21-22日云南漾濞地震和青海玛多地震震级估算

以探索深度卷积神经网络震级估算模型对2021年5月21日云南漾濞和5月22日青海玛多地震预警震级估算的可行性为目标,本文使用P波到达后不同时间窗下的特征参数作为深度卷积神经网络输入进行训练和验证,构建了1～40 s内不同时间窗下的深度卷积神经网络单台震级估算模型,并采用多台加权平均方法对玛多地震主震以及漾濞地震主震、前...     

基于卷积神经网络的速度大脉冲识别方法研究

含速度大脉冲的强地震动具有复杂的特性,人工提取速度大脉冲特征的方法较繁琐,故利用卷积神经网络（CNN）在图像特征自动提取方面的优势,提出基于卷积神经网络图像识别的速度大脉冲识别方法。基于美国太平洋地震工程研究中心NGA-West1数据库提供的强地震动记录,筛选出6 000条非脉冲记录和91条含有速度大脉冲的强地震动记录。采用在原始记录中加入高斯噪声和过采样的方法,使2类记录样本数量达到均衡。利用本文建立的卷积神经网络模型对2类记录速度时程图进行特征自动提取和分类识别,结果显示测试集准确率为99%,表明本文卷积神经网络模型能够自动提取速度大脉冲特征,进而复现已有结果。将本文方法与传统方法进行了对比,结果表明,对含有多个速度脉冲的强地震动记录的识别,本文方法优于传统方法,具有较高的可靠性、鲁棒性、灵活性。     

基于深度学习的地震事件分类识别 ——以山东地震台网记录为例

为实现天然地震与爆破、塌陷事件类型的快速高效识别,文中应用深度学习技术中的卷积神经网络模型,设计了基于单个事件单个台站波形记录的深度学习训练模块和基于单个事件多个台站波形记录的实时测试模块。以每个事件P波到时最早的5个台站记录到的原始三分向波形为输入,分别采用目前主流的Alex Net、VGG16、VGG19、Goog Le Net 4种卷积神经网络结构进行学习训练,结果显示各类卷积神经网络结构对训练集与测试集的识别准确率均达93%以上,且各个网络在训练过程中的训练集与测试集的准确率及代价函数的走势曲线基本一致。其中,Alex Net网络结构的识别准确率最高,测试集为98.51%,且未发生过拟合现象; VGG16、VGG19网络结构的准确率次之;Goog Le Net网络结构的识别准确率相对较低。为检验深度学习卷积神经网络在数字地震台网实时运行过程中的事件判别效能,选取训练好的Alex Net卷积神经网络开展基于单个事件多个台站波形记录的事件类型判定检验。最终结果显示,在山东台网实时触发的110个M≥0.7事件中,共有89个事件的类型被准确识别,准确率约为80.9%。具体到各个类型事件中,天然地震的准确率约为74.6%;爆破的准确率约为90.9%;塌陷事件的准确率为100%。若删除其中由于波形失真而造成的类型识别错误事件,则天然地震的识别准确率将提高至91.4%,而所有事件的整体识别准确率也将由80.9%提高至91.7%,与目前地震台网日常工作中人工判定的识别准确率基本相当。这表明,深度学习技术可以快速高效地实现天然地震与爆破、塌陷的事件类型识别。     

基于格拉姆角场和多尺度残差神经网络的地震事件分类方法

以江苏地震台网中心搜集并标注的天然地震、人工爆破和塌陷事件为试验数据样本,提出了一种基于格拉姆角场和多尺度残差神经网络的新的地震事件分类方法。首先对波形数据进行滤波、归一化等预处理,然后应用格拉姆角场对地震波形数据进行二维编码得到二维图像,再将此经过编码后的图像作为多尺度残差神经网络的输入进行分类模型的训练和测试,从而得出分类结果。采用上述方法对1 078个天然地震台站记录、981个爆破台站记录和830个塌陷台站记录进行试验,结果显示：最终以单条波形为单位的地震事件分类准确率为92.55%,以单个台站为单位的分类准确率为96.36%,这表明基于格拉姆角场和多尺度残差神经网络的地震分类方法具有良好的效果。     

考虑样本分布不均的衰减关系的加权两步回归法

通过对距离和震级的分档将权重引入两步回归法: 第一步, 将地震记录按距离分档, 每个记录得到的权重为w'_ij=1/(n_jn_i)(其中n_j为该记录所在档的地震数, n_i为该记录的地震在此档中的记录数), 这种权重的取法不仅使各档的权重相同, 而且保证每档中不同地震在各档中的权重也相同; 第二步, 将地震按震级分档, 每次地震得到的权重为v'_k=1/n_k(其中n_k为该地震所在档的地震数). 以Joyner 和Boore的数据为分析对象进行加权两步法的回归, 并与传统两步法回归的结果进行比较. 结果表明: 传统两步法在近场拟合的小震峰值加速度的估计值偏大, 大震峰值加速度的估计值偏小, 其衰减曲线在远场的衰减速度过快; 而加权两步法则能更好地反映地震动的空间分布规律.      

考虑地震环境的人造地震动合成方法

本文将经验格林函数法和人造地震动反应谱拟合技术有机地结合起来,提出了一种新的人造地震动方法。利用已有的场地附近的小震记录合成可能发生的大震地面运动,以此作为人造地震动的初始值,通过反复调整初始加速度的傅氏幅值谱来拟合给定的目标反应谱,以得到满足精度要求的人造地震加速度时程。本文方法可以考虑地震环境和局部场地对地震动的影响。所合成的地震加速度时程具有时间强度和频率含量的非平稳特征,并且不需要人为规定强度包线。     

基于短时傅里叶变换和卷积神经网络的地震事件分类

本文选用内蒙古区域地震台网记录到的417个爆破事件和519个天然地震事件的观测资料,对其进行截取和滤波等预处理后,经过短时傅里叶变换转换为时频域的对数振幅谱,使用含有3个卷积层的卷积神经网络作为分类器,实现地震事件自动分类。5折交叉验证结果显示,本文所使用算法的平均准确率达到97.33%,测试集的准确率达到98.03%,本文采用的模型应用了较完整的原始信息,因此获得了较高的准确率和较好的稳定性。      

基于卷积神经网络的天然地震与人工爆破识别研究

地震台网记录的人工爆破事件波形特征与天然地震有相似之处,如果不能及时的予以识别和筛选,会混淆依此记录所建立的地震目录,影响日后地震学的研究工作.因此连续地震信号中的天然地震和人工爆破的识别分离有助于破坏性构造地震的监测预警.同时,随着地震仪的大规模部署以及建设行业活动的持续增强,记录的爆破事件增多,增大了识别的难度和工作强度.为了解决人工识别天然地震与爆破存在的问题,本研究基于卷积神经网络,设计了一个具有13层深度的网络模型(CNN-Epq13),选用福建数字地震台网历史地震记录和人工爆破记录,利用TensorFlow深度学习框架,采用TFrecord文件形式作为训练集,训练得出事件类别识别模型.此模型在训练中识别准确率为98.438％,损失为0.0646.用新的数据进行测试,模型能准确识别事件类别,区分天然地震和人工爆破,可以进一步在日常工作中进行应用.     

全卷积神经网络在建筑物震害遥感提取中的应用研究

为解决建筑物震害信息提取自动化程度不高的问题,本文将全卷积神经网络应用于建筑物震害遥感信息提取。以玉树地震后获取的玉树县城区0.2m分辨率航空影像作为建筑物震害信息提取试验数据源,将试验区地物划分为倒塌建筑物、未倒塌建筑物和背景3类。对427个500×500像素的子影像进行人工分类与标注,选取393个组成训练样本集,34个用于验证。利用训练样本集对全卷积神经网络进行训练,采用训练后的网络对验证样本进行建筑物震害信息提取及精度评价。研究结果表明:建筑物震害遥感信息提取总体分类精度为82.3%,全卷积神经网络方法能提高信息提取自动化程度,具有较好的建筑物震害信息提取能力。     

地震应急信息自动分类方法研究

地震应急信息的高效处理为地震应急救援工作提供了重要支撑。本文根据地震应急信息分类的需求,构建了一种高效便捷的地震信息分类处理方法。以震前、震时、震后为时间主线,将地震应急信息分为震前基础背景信息、地震震情灾情信息及震后应急救援信息,并采用“关键词分类”的方法,在计算机语言的支持下,将多渠道汇集的应急信息进行自动分类,在一定程度上缩短了应急信息加工处理与服务的时间,能快速高效地为应急指挥提供信息服务。     

Application of Machine Learning Methods in Arrival Time Picking of P Waves from Reservoir Earthquakes

Reservoir earthquake characteristics such as small magnitude and large quantity may result in low monitoring efficiency when using traditional methods. However, methods based on deep learning can discriminate the seismic phases of small earthquakes in a reservoir and ensure rapid processing of arrival time picking. The present study establishes a deep learning network model combining a convolutional neural network (CNN) and recurrent neural network (RNN). The neural network training uses the waveforms of 60 000 small earthquakes within a magnitude range of 0.8-1.2 recorded by 73 stations near the Dagangshan Reservoir in Sichuan Province as well as the data of the manually picked P-wave arrival time. The neural network automatically picks the P-wave arrival time, providing a strong constraint for small earthquake positioning. The model is shown to achieve an accuracy rate of 90.7% in picking P waves of microseisms in the reservoir area, with a recall rate reaching 92.6% and an error rate lower than 2%. The results indicate that the relevant network structure has high accuracy for picking the P-wave arrival times of small earthquakes, thus providing new technical measures for subsequent microseismic monitoring in the reservoir area.     

基于深度学习卷积神经网络的地震波形自动分类与识别

发展高效、高精度、普适性强的自动波形拾取算法在地震大数据时代背景下显得越来越重要.波形自动拾取算法的主要挑战来自如何适应不同区域的不同类型地震事件的分类与筛选.本文针对地震事件-噪音分类这一问题,使用13839个汶川地震余震事件建立数据集,应用深度学习卷积神经网络(CNN)方法进行训练,并用8900个新的汶川余震事件作为检测数据集,其训练和检测准确率均达到95%以上.在对连续波形的检测中,CNN方法在精度和召回率上优于STA/LTA和Fbpicker传统方法,并能找出大量人工挑选极易遗漏的微震事件.最后,我们应用训练好的最优模型对选自全国台网的441个台站8天的连续波形数据进行了识别、到时挑取及与参考地震目录关联,CNN检出7016段波形,用自动挑选算法拾取到1380对P,S到时,并与540个地震目录事件成功关联,对1级以上事件总体识别准确率为54%,二级以上为80%,证明了CNN模型具有泛化能力,初步展示了CNN在发展兼具效率、精度、普适性算法,实时地震监测等应用上具有巨大潜力.     

利用加速度或速度记录快速测定矩震级的一种新方法

根据峰值加速度、速度、位移对构造环境剪应力场和地震矩的依赖关系,导出了直接计算矩震级的公式．用北京怀来小台网（速度记录）、唐山强震观测台网（加速度记录）和北京地区台网（速度记录）的地震记录资料,检验了这些公式的可用性．结果表明,利用加速度或速度记录测定的矩震级与常规方法（根据位移谱高度）测定的矩震级十分接近．证明了这些公式的正确性,从而拓宽了用于测定震级的资料类型,即不仅限于位移记录,速度和加速度记录都可用于测定震级．     

基于卷积神经网络的地震波形智能识别研究

随着世界上多个国家和地区的地震预警系统投入运行,误报和漏报等问题逐渐突显,特别是将标定以及强干扰波形误识别为大震事件,快速、精确地区分地震与其他波形是一个难题。针对于此,该研究提出了基于卷积神经网络地震波形智能识别方法。首先收集并处理了2012—2017年中国境内福建以及周边邻省共683个地震和478个爆破事件,并对这些样本筛选、截取和基线校正等预处理,共得到了27 500条三通道波形。在此基础上,构建了3 s波形输入的卷积神经网络模型(SW-CNN)。结果表明：模型对地震、噪声、爆破和异常波形的识别率分别为97.9、99、99.2和99.3%。相比于人工手动分类识别,该模型更省时和更稳定,为地震预警目前所面临的问题提供了一个新的解决方法。     

2012年云贵彝良-威宁MS5.5和MS5.6地震的地震动随机特性

2012年9月7日我国西南云贵交界彝良-威宁地区连续发生两次M_S5.5和M_S5.6中强地震,其时间间隔短,震中位置接近,震级相差很小,为中强地震地震动的随机特性分析研究提供了难得的强震动数据. 本文从集系与样本函数两方面考虑,通过加速度时程的相关函数研究了地震动随机过程的相关特性. 结果表明: 两次地震集系的相关矩阵均为随机相关,互相关矩阵较自相关矩阵表现出更强的随机性;两次地震在同一个台站记录的加速度时程所构成的集系,其相关性较两次地震单独构成的集系好;样本函数的相关函数均呈现不规则震荡衰减的特点,且两个采样值间时滞越大,其样本函数相关性越小. 相比大震(如我国台湾地区的集集地震),中强地震地震动记录的相关矩阵及分解后的自相关函数均表现出不同的特点. 由于这两次地震的地震动幅值相比大震较小,土层非线性影响较弱,故本文结果为认识地震动的随机特性提供了新的参考依据.      

基于深度卷积神经网络的剪切波分裂质量检测

剪切波分裂是分析地震各向异性的一种重要手段,常规方法是利用网格搜索获取分裂参数,再通过不同方法的测量结果对比测量结果进行质量检测,这一过程会耗费大量计算时间。本文针对这一问题提出了一种利用深度卷积神经网络对剪切波分裂进行质量检测的新方法,对使用了Resnet残差结构的深度神经网络进行训练,直接对二分量剪切波波形数据的质量进行分类。整个过程为:神经网络通过卷积层提取波形特征,计算损失函数后反向传播训练模型参数,完成迭代训练后的模型对输入波形数据正向计算自动输出类型。本文利用川西台站接收到的实际数据以及随机生成的合成数据分别对该网络进行训练,均可以获得准确的分类结果。相比于通过多种剪切波分裂方法对比测量结果的质量检测方法,基于神经网络的方法可以省略网格搜索的计算过程直接判断质量类型,在运算速度上的优势明显,并可继续通过训练提高模型的精度,为提升剪切波分裂方法在数据处理过程中的操作效率提供帮助。     

张北地震前小震活动和余震序列精确定位及主震破裂方向的讨论

1970年至1998年1月10日张北地震前,沿NWW向发生2级以上地震24次,其分布相对集中,呈条带状。对华北台网所记上述地震的到时数据全部重新查图核对,并补充了内蒙古台网5个台的数据以改善用于定位的台站分布,并采用主地震定位法重新定位,除一个地震外,其余地震更加集中,形成一小震条带。1998年2月中国地震局地球物理勘探中心在张北震区架设10台短周期数字化地震仪,记录了大量微震。作者采用P波和S波到时差重新进行了震源定位,得到184次微震的定位结果,连同1998年1～2月张北震区3级以上地震事件定位结果一起勾画出6．2级地震的震源破裂带。由张北地震震中向SEE向延伸存在由强震构成的张家口渤海地震带。根据精确定位结果,结合修订后主震的震源机制、宏观烈度分布和层析成像资料,讨论了张北地震和小尺度地震带(震源破裂带)、震前的中等尺度小震条带以及大尺度的张家口-渤海强震带的关系。     

基于深度卷积神经网络的地震数据随机噪声压制

本文以提高地震数据的成像质量为目标,提出一种智能的卷积神经网络降噪框架,从带有噪声的地震数据中自适应地学习地震信号。为了加速网络训练和避免训练时出现梯度消失现象,我们在网络中加入残差学习和批标准化的方法,并采用了ReLU激活函数和Adam优化算法优化网络。此外,Marmousi和F3数据集被用来对网络进行训练和测试,经过充分训练的网络不仅能在学习中保留地震数据特征,而且能去除随机噪声。首先充分地训练网络,从中提取出随机噪声,并保留学习到的地震数据特征,之后通过重建地震数据估算测试集中的波形特征。合成记录和实际数据的处理结果显示了深度卷积神经网络在随机噪声压制任务中的潜力,并通过实验验证表明了深度卷积神经网络框架有很好的去噪效果。